76
Conclusion générale
Ce présent travail traite sur la base d’une étude expérimentale les pannes affectant les paliers à roulement les engrenages ainsi que les défauts qui les touchent tous les deux en même temps. Un système d'intelligence artificielle a été développé et optimisé afin d'avoir une meilleure classification, en particulier en cas des défauts combinés, avec l’objectif la surveillance et le diagnostic. A cet effet, le paramètre de conception de Taguchi L27 et les méthodes de Grey- Taguchi sont appliqués pour étudier le processus optimal des combinaisons des paramètres, qui optimisent simultanément les caractéristiques de performance, afin de trouver l'architecture optimale du réseau de neurones.
Les résultats des analyses de variance montrent que tous les paramètres de l'architecture du système intelligent, utilisé dans cette étude, à savoir le nombre de couches cachées (A), le nombre de neurones dans chaque couche cachée (B), les fonctions d'activations dans les différentes couches(d'entrée (C), cachée (D) et de sortie (E)) et les carrés A2, B2, D2 et E2( qui représente l’interaction entre les mêmes paramètres) ont des effets notables sur la qualité relationnelle gris. Par conséquent, ces termes sont utilisés pour estimer la valeur optimale du grade relationnel gris. Ainsi, on peut voir clairement que les facteurs les plus importants sur la qualité relationnelle gris sont les carrés E2, D2, B2 et la fonction d'activation dans la couche d'entrée, ce qui explique, respectivement les pourcentages, 69,83%, 7,24%, 6,18% et 3,38% des contributions de la variation totale.
L'analyse statistique des résultats montre que les principaux effets du grade relationnel gris, où la ligne horizontale médiane est la valeur moyenne totale du grade relationnel gris. Ainsi, la plus grande est le grade relationnel gris et les meilleures valeurs sont les caractéristiques de performance. Par conséquent, la combinaison de paramètres de processus optimale en utilisant la méthode de Grey-Taguchi est alors, la suivante: deux couches cachées, treize neurones dans chaque couche cachée, la fonction d'activation dans la couche d'entrée est "purlin", la fonction d'activation dans la couche cachée est 'tansig' et la même fonction d'activation dans la couche de sortie (A2B2C3D1E1). Ce résultat est en accord avec celui du tableau du coefficient relationnel gris, le grade relationnel gris et le rang pour chaque expérience.
Le test confirmatif démontre que l'erreur la prédiction est 0,01326, ce qui correspond à la valeur de CI de ± 0,049771, justifiant ainsi la validité et la pertinence de la méthode Grey- Taguchi pour déterminer les caractéristiques optimales de qualité. Par conséquent, en utilisant la méthode Grey-Taguchi, plusieurs caractéristiques de performance peuvent être optimisées avec succès à un intervalle de confiance de 95%.
77
La structure optimale du système intelligent atteint rapidement la convergence souhaitée avec l'algorithme de Levenberg-Marquardt. Cette convergence est atteinte avec seulement 31 itérations, le temps de formation totale ne dépasse pas quelques secondes, ce qui est très court par rapport à d'autres méthodes d’apprentissage. En outre, la valeur du coefficient de corrélation global pour notre modèle de réseau neuronal de surveillance des défaillances est 0,99983. Cette valeur indique une signification relativement élevée du modèle et un très bon ajustement aux données expérimentales.
Le modèle neuronal maintenu, en utilisant K comme indicateur de vibration, nous a permis d'avoir un taux de réussite dans le cas de défauts combinés égal à 99,70%, dans le sens axial le taux de succès avec K est égal à 99,41%, tandis que dans la direction radiale nous avons atteint un taux de 99,99%.Alors qu’avec le facteur de crête FC le taux de réussite est de 98,58%; dont 97,36% dans la direction axiale est 99,81% dans la direction radiale.
En résultat final, le modèle neuronal (A2B2C3D1E1), obtenu après développement et optimisation, nous donne la possibilité d’atteindre un taux de réussite global égal à 97,42%, dont94,92% dans le sens axial, tandis que dans la direction radiale nous avons atteint un taux qui est égale à 99,92%.
Cette expérimentale, statistique approches utilisées dans cette étude apportent des méthodologies fiables pour améliorer les performances de classification avec l'objectif d’avoir une bonne surveillance et par la suite un bon diagnostic en ligne, et qui sera à la portée de tous technicien de maintenance même non expérimenté. Ces approches peuvent être utilisées dans divers cas de défauts et d'autres combinaisons de défauts. De plus, il peut être étendu de manière efficace pour étudier d’autre domaine dans le monde de l’industrie.
Références
79
Les références
[1] P. Arquès, "Diagnostic prédictif et défaillances des machines, théorie, traitement, analyse, reconnaissance, prédiction" ; Edition TECHNIP, (2009).
[2] F. Blayo, M. Mermillod. "Les réseaux de neurones artificiels" ; presses universitaire de France, (2016).
[3] I. KHELIF, L. LAOUAR, A. BOUCHELAGHEM et al. "Adaptive fault diagnosis in rotating machines using indicators selection"; Mechanical Systems and Signal Processing,(2013), vol. 40, no 2, p. 452-468.
[4] Y. GUO, T. ERITENEL, T. ERICSON et al. " Vibro-acoustic propagation of gear dynamics in a gear-bearing-housing system"; Journal of Sound and Vibration, (2014), vol. 333, no 22, p. 5762- 5785.
[5] N. SAWALHI, R. B. RANDALL, "Simulating gear and bearing interactions in the presence of faults: Part I. The combined gear bearing dynamic model and the simulation of localised bearing faults"; Mechanical Systems and Signal Processing, (2008), vol. 22, no 8, p. 1924-1951.
[6] J. Ben ALI, N. FNAIECH, L. SAIDI et al. "Application of empirical mode decomposition and artificial neural network for automatic bearing fault diagnosis based on vibration signals"; AppliedAcoustics, (2015), vol. 89, p. 16-27.
[7] J. SANZ, R. PERERA, C. HUERTA, "Gear dynamics monitoring using discrete wavelet transformation and multi-layer perceptron neural networks"; Applied Soft Computing, (2012), vol. 12, no 9, p. 2867-2878.
[8] Y. ZHI-LING, W. BIN, D. XING-HUI et al. "Expert system of fault diagnosis for gear box in wind turbine"; Systems Engineering Procedia, (2012), vol. 4, p. 189-195.
[9] A. HAJNAYEB, A. GHASEMLOONIA, S. E. KHADEM et al. "Application and comparison of an ANN-based feature selection method and the genetic algorithm in gearbox fault diagnosis"; Expert Systems with Applications, (2011), vol. 38, no 8, p. 10205-10209.
[10] J. D. Wu, C. C. Hsu, " Fault gear identification using vibration signal with discrete wavelet transform technique and fuzzy–logic inference"; Expert Systems with Applications, (2009), 36(2), 3785-3794.
[11] Y. Lei, M. J. Zuo, Z. He, Y. Zi, "A multidimensional hybrid intelligent method for gear fault diagnosis"; Expert Systems with Applications, (2010), 37(2), 1419-1430.
[12] N. Saravanan, V. K. Siddabattuni, K. I. Ramachandran, "Fault diagnosis of spur bevel gear box using artificial neural network (ANN), and proximal support vector machine (PSVM) "; Applied Soft Computing, (2010), 10(1), 344-360.
[13] G. Henriot, "Engrenages, Conception - Fabrication - Mise en oeuvre" ; Dunod, (2013), 8° édition. [14] J. Antoni, R. B. Randall, " Differential diagnosis of gear and bearing faults"; Journal of Vibration
and Acoustics, (2002), 124(2), 165-171.
[15] V. Purushotham, S. Narayanan, S. A. Prasad, "Multi-fault diagnosis of rolling bearing elements using wavelet analysis and hidden Markov model based fault recognition"; Ndt& E International, (2005), 38(8), 654-664.
[16] V. Sugumaran, K. I. Ramachandran, " Automatic rule learning using decision tree for fuzzy classifier in fault diagnosis of roller bearing"; Mechanical Systems and Signal Processing, (2007), 21(5), 2237-2247.
[17] J. Rafiee, M. A. Rafiee, , P. W. Tse, "Application of mother wavelet functions for automatic gear and bearing fault diagnosis"; Expert Systems with Applications, (2010), 37(6), 4568-4579. [18] J.C.M. De Periogo, "The relationship between vibration spectra and spike energy spectra for an
electric motor bearing defect"; Vibration, (2001), Vol 17, N° 1.
[19] R. Archambault, " New method for improved fault detection on rotating machinary"; 4° conference internationalesur les methodes de surveillance et techniques de diagnostics acoustiques et vibrations.
[20] J. Archambault, R. Archambault, T. Marc, "Time domain descriptors for rolling-element bearing fault detection"; CMVA, Québec, (Octobre 2002), 10 p.
[21] K. Belmadh, "Technic of maintenance" ; 2ème édition, Université Pierre and Marie Curie- Paris VI, (2006).
80
[22] M. L. Zani "la surveillance des machines tournantes, mesure 757" ; (Septembre 2003). [23] J. Héng "Pratique de la maintenance préventive, Mécanique. Pneumatique. Hydraulique.
Electricité. Froid"; DUNOD, (2002).
[24] A. Boulanger, C. Pachaud, "Analyse vibratoire en Maintenance, Surveillance et diagnostic des machines" ; Dunod, (2007), 3° édition.
[25] P. Arquès, 1996, " Diagnostic prédictif de l’état des machines" ; Masson, 269 p.
[26] T. Marc, " Fiabilité, Maintenance prédictive et vibration des machines" ; Presses de l’université du Quebec (2012), 361-410 p.
[27] D. O. Hebb, "The organization of behavior: A neuropsychological approach"; John Wiley & Sons, (1949).
[28] F. Rosenblatt, "The perceptron: a probabilistic model for information storage and organization in the brain"; Psychological review, (1958), 65(6), 386.
[29] B. Widrow, "An Adaptive `Adaline' Neuron Using Chemical `Memistors'"; Stanford Electronics Laboratories Technical Report (1960, October), 1553(2).
[30] A. Elhami, R. Bouchaib , "Fiabilité et optimisation des systémes, théorie et applications Cours et exercices corrigés" ; ellipses, (2011).
[31] G. S. GROSSBER, D. Levine, "Some developmental and attentional biases in the contrast enhancement and short term memory of recurrent neural networks"; Journal of Theoretical Biology, (1975), 53(2), 341-380.
[32] T. Kohonen, M. Kai, T. Saram, "Phonotopic maps-insightful representation of phonological features for speech recognition"; (1984).
[33] J. J. Hopfield, "Neural networks and physical systems with emergent collective computational abilities"; Proceedings of the national academy of sciences, (1982), 79(8), 2554-2558.
[34] J. J. Moré, "The Levenberg-Marquardt algorithm: implementation and theory"; In Numerical analysis, (1978), (pp. 105-116).Springer Berlin Heidelberg.
[35] P. C. Yang, M. W. Wei, C. H. Lin, "Selection of blended amine for CO 2 capture in a packed bed scrubber using the Taguchi method"; Int J of Greenhouse Gas Control, (2016), 45:245–252. [36] S. Pandiarajan, S. Kumaran, L. A. Kumaraswamidhas, R. Saravanan, "Interfacial microstructure
and optimization of friction welding by Taguchi and ANOVA method on SA 213 tube to SA 387 tube plate without backing block using an external tool"; J Alloy Compd, ( 2016), 654:534-545. [37] C. N. Huang, C. C. Yu, "Integration of taguchi's method and multiple-input multiple-output
ANFIS inverse model for the optimal design of a water-cooled condenser"; Appl Therm Eng, (2016), 98:605–609.
[38] J . Xie, C. Yuan, "Parametric study of ice thermal storage system with thin layer ring by Taguchi method"; Appl Therm Eng, (2016), 98:246-255.
[39] N. M. Nor, N. Muhamad, K. R. Jamaludin, "Optimization of injection molding parameter of Ti- 6Al-4V powder mix with palm stearin and polyehylene for the highest green strength by using Taguchi method"; Int J Mech Mater, (2011), 6:12-132.
[40] A. N. Haq, P. Marimuthu, R. Jeyapaul, "Multi response optimization of maching parameters of drilling AI/SiC metal matrix composite using grey relational analysis in the Taguchi method"; Int J Adv Manuf Technol, (2008), 37:250–255.
[41] J. Deng, "Introduction to grey system"; J Grey syst, (1989), 1:1–24.
[42] S. J. Lin, I. J. Lu, C. Lewis, "Grey Relation performance Correlations Among Economics, energy use and carbon dioxide emission in Taiwan"; Energ Policy, (2007), 35:1948-1955.
[43] A. R. Zulfiqar, A. Naseer, K. Shahid, "Multi-response optimization of rhamnolipid production using grey rational analysis in Taguchi method"; Biotechnology Reports, (2014), 3:86-94.
[44] J. Kopac, P. Krajnik, " Robust design of flank milling parameters based on grey-Taguchi method"; Journal of Materials Processing Technology, (2007), 191(1), 400-403.
[45] M. Y. Lin, C. C. Tsao, C. Y. Hsu, A. H. Chiou, P. C. Huang, Y. C. Lin, "Optimization of micro milling electrical discharge machining of Inconel 718 by Grey-Taguchi method";Transactions of Nonferrous Metals Society of China, (2013), 23(3), 661-666.
[46] B. V. K. Teja, N. Naresh, K. Rajasekhar, "Multi-Response Optimization of Milling Parameters on AISI 304 Stainless Steel using Grey-Taguchi Method"; In International Journal of Engineering Research and Technology, (2013), Vol. 2, No. 8.ESRSA Publications.
81
[47] J. G. Parmar, A. Makwana, "Prediction of surface roughness for end milling process using artificial neural network"; International Journal of Modern Engineering Research, (2012), 2(3), 1006-1013.
[48] A. Hajnayeb, A. Ghasemloonia, S. E. Khadem and M. H.Moradi, "Application and comparison of an ANN-based feature selection method and the genetic algorithm in gearbox fault diagnosis"; Expert systems with Applications 38 (2011) 10205-10209.
[49] J. B. Ali, N. Fnaiech, L. Saidi, B. Chebel-Morello and F.Fnaiech, " Application of empirical mode decomposition and artificial neural network for automatic bearing fault diagnosis based on vibration signals"; Applied Acoustics 89 (2015) 16-27.
[50] C . Karatas, A. Sozen, E. Dulek, "Modelling of residual stresses in the shot peened material C- 1020 by artificial neural network"; Expert SystAppl, (2009), 36:3514–3521.
[51] A. Kohli, U. S. Dixit, "A neural-network-based methodology for the prediction of surface roughness in a turning process"; Int J Adv Manuf Tech, (2005), 25:118–129.
[52] K . Bouacha, M. A. Yallese, T. Mabrouki, J. F. Rigal, "Statistical analysis of surface roughness and cutting forces using response surface methodology in hard turning of AISI 52100 bearing steel with CBN tool"; Int J Refract Met, (2010), H 28:349–361.
[53] M. Farbod, Z. Rafati, M. Z. Shoushtari, "Optimization of parameters for the synthesis of Y 2 Cu 2 O 5 nanoparticles by Taguchi method and comparison of their magnetic and optical properties with their bulk counterpart"; J Magn Magn Mater, (2016), 407:266-271.
[54] S. H. Dhawane, T. Kumar, G. Halder, "Biodiesel synthesis from Heveabrasiliensis oil employing carbon supported heterogeneous catalyst: Optimization by Taguchi method"; Renew Energ, (2016), 89:506-514.
[55] S. Varala, A. Kumari, B. Dharanija, S. K. Bhargava, R. Parthasarathy, B. Satyavathi, "Removal of thorium (IV) from aqueous solutions by deoiledkaranja seed cake: Optimization using Taguchi method, equilibrium, kinetic and thermodynamic studies"; J Environ Chemical Engineering, (2016), 4(1):405-417.
[56] M. I. Equbal, R. Kumar, M. Shamim, R. K. Ohdar "Grey-based Taguchi Method to Optimize Hot Forging Process"; Procedia Materials Science, (2014), 6:1495-1504.
[57] P. K. Sahu, S. Pal "Multi-response optimization of process parameters in friction stir welded AM20 magnesium alloy by Taguchi grey relational analysis"; J of Magnesium and Alloys, (2015), 3(1):36-46.